Luận án Nghiên cứu và phát triển hệ thống năng lượng điện mặt trời

m tăng tính phức tạp và chi phí vận hành của hệ thống. 3.2.5 Phương pháp phân đoạn dòng ngắn mạch (ISC) Phương pháp này sử dụng kỹ thuật giống với phương pháp VOC, trong đó quan hệ tuyến tính giữa dòng điện ngắn mạch ISC và dòng điện Impp như phương trình (3.14) 𝐼𝑀𝑃𝑃 = 𝐾𝑆𝐶 ∗ 𝐼𝑆𝐶 (3.14) KSC là hằng số tỉ lệ và giá trị được lấy từ 0.78-0.92 [28], so với phương pháp phân đoạn điện áp hở mạch, phương pháp này phức tạp hơn do phải ngắn mạch có chu kỳ của tấm pin để xác định giá trị dòng ngắn mạch ISC. Hạn chế tương tự với phương pháp phân đoạn điện áp hở mạch là không theo dõi chính xác điểm MPP do sử dụng công thức gần đúng (3.14) mà trong đó có hằng số tỉ lệ KSC sẽ thay đổi nhiều khi bóng che hay tấm pin bị bám bụi. 3.2.6 Phương pháp điều khiển gợn sóng tương quan (RCC) RCC là phương pháp áp dụng kỹ thuật giống phương pháp Hill-Climbing, sử dụng độ nhấp nhô của dòng điện hoặc điện áp để xác định vị trí MPP. Bộ chuyển đổi DC/DC phải tạo ra độ dao động dòng điện hoặc điện áp. Phương pháp này tương quan giữa thời gian thay đổi công suất và thời gian thay đổi điện áp hoặc dòng điện để duy chuyển điểm vận hành đến MPP, như thể hiện ở phương trình (3.15) và (3.16). 𝑑(𝑡) = −𝑘∫𝑑𝑃 ∗ 𝑑𝑉𝑑𝑡 (3.15) 48 𝑑(𝑡) = −𝑘∫𝑑𝑃 ∗ 𝑑𝐼𝑑𝑡 (3.16) Về cơ bản, phương trình được sử dụng trong thuật toán RCC liên quan đến tích phân và đạo hàm của sự thay đổi công suất theo thời gian với dòng điện hoặc điện áp từ đó xác định giá trị độ rộng xung PWM cycle. Trong đó k là một hằng số dương. 3.3 Nghiên cứu phát triển thuật toán độ dẫn gia tăng trong điều khiển bám điểm công suất cực đại Do INC với P&O là một trong hai thuật toán phổ biến, được ứng dụng nhiều trong việc theo dõi MPP của hệ thống PV. Hiệu suất của thuật toán cũng khá cao, cũng như việc triển khai, ứng dụng thuật toán dễ dàng, tốc độ theo dõi cao và hiệu quả tốt. Ngoài ra thuật toán này tập trung trực tiếp vào biến đổi công suất, trong đó độ dẫn và độ dẫn gia tăng của mảng PV được tính toán ngay tức thì, tăng lên ở bên trái của MPP và giảm ở phía bên phải của MPP. Mặt khác, thuật toán INC hạn chế dao động tại MPP hơn thuật toán P&O ngay cả trong điều kiện bức xạ mặt trời thay đổi và cả nhiệt độ thay đổi [117], đây là lý do quan trọng mà tác giả quyết định chọn thuật toán INC để nghiên cứu và phát triển thay vì chọn thuật toán P&O. Chúng ta có thể so sánh tín hiệu ra gồm dòng điện, điện áp, công suất của hệ thống PV với thuật toán INC và P&O trong điều kiện bức xạ thay đổi như hình 3.10 và nhiệt độ thay đổi như hình 3.11 sau [117]: a) Dòng điện 49 b) Điện áp c) Công suất Thuật toán INC Thuật toán P&O Hình 3.10. Trường hợp bức xạ thay đổi a) Dòng điện 50 b) Điện áp c) Công suất Thuật toán INC Thuật toán P&O Hình 3.11. Trường hợp nhiệt độ thay đổi 3.3.1 Theo dõi MPP bằng thuật toán INC truyền thống Bộ điều khiển công suất cực đại (MPPT) sẽ đo giá trị điện áp PV và dòng điện PV, sau đó dựa vào những phép tính và điều kiện của thuật toán MPPT để tính toán giá trị điện áp quy chiếu Vref để điều chỉnh điện áp làm việc của của PV theo Vref. Nhiệm vụ của thuật toán MPPT chỉ là định giá trị điện áp Vref và việc tính toán này sẽ được lặp lại theo chu kỳ (thường khoảng từ 1 đến 10 lần lấy mẫu trong 1 giây). Khối PWM điều chế xung để đưa vào bộ biến đổi DC/DC. Khối PWM có nhiệm vụ bù sai lệch giữa điện áp Vref và điện áp đo được bằng cách điều chỉnh hệ số đóng cắt D của bộ biến đổi công suất DC/DC. Nếu coi D là một biến điều khiển thì lưu đồ thuật toán INC truyền thống được viết lại như hình 3.12. Khi đưa biến điều khiển D vào để điều khiển điện áp tham chiếu Vref thông qua bộ biến đổi DC/DC, một vấn đề nảy sinh đó là kích thước bước nhảy của thuật toán ảnh hưởng đến hiệu quả của MPPT. Trong lưu đồ thuật toán hình 3.12 kích thước bước này được cố định, và được khởi tạo bằng ∆𝐷𝑚𝑎𝑥: 51 𝐷(𝑘) = ∆𝐷𝑚𝑎𝑥 = 𝑚𝑎𝑥{|𝐷(𝑘) − 𝐷(𝑘 − 1)|}, 𝑘 = 1: 𝑛̅̅ ̅̅ ̅ (3.17) Sự cố định về kích thước bước nhảy cố định ảnh hưởng đến hiệu quả điều khiển MPPT của thuật toán INC. Nếu kích thước bước lớn thì hệ thống nhanh đạt tới trạng thái MPP, nhưng độ dao động quanh điểm MPP lại lớn, làm giảm hiệu suất của MPPT. Và ngược lại, nếu kích thước bước nhỏ, thì thời gian để hệ thống PV đạt tới trạng thái MPP lại lâu. Sự hạn chế này được khắc phục bằng việc phát triển thuật toán INC với kích thước bước nhảy tự điều chỉnh sẽ được trình bày ở phần tiếp theo. Dựa trên lưu đồ hình 3.12 trên thuật toán INC truyền thống bao gồm các bước cơ bản như sau: Bước 1: Khởi tạo giá trị các tham số đầu vào ban đầu, đo giá trị dòng điện Ipv , điện áp Vpv từ pin mặt trời. Bước 2: Tính giá trị công suất Ppv và các độ biến thiên công suất dP, độ biến thiên điện áp dV và độ biến thiên dòng điện dI. Bước 3: Vòng lặp INC so sánh các giá trị dV, dI, dV/dI. Bước 4: Xác định giá trị độ rộng xung D cho khóa công suất ở bước tiếp theo và quay trở lại bước 1. 52 Start Read V(k), I(k) dV = V(k) - V(k-1); dI = I(k) - I(k-1) dP = V(k)*I(k) - V(k-1)*I(k-1) D D(k) = D Dmax dV = 0 YesNo dI = 0 Yes D(k) = D(k-1)D(k) = D(k-1) Yes No dI > 0 Yes D(k) = D(k-1) + D D(k) D(k) = D(k-1) - D D(k) No V(k-1) = V(k); I(k-1) = I(k) Return No D(k) = D(k-1) - D D(k) D(k) = D(k-1) + D D(k) No Yes dI/dV = - I/V dI/dV > - I/V Hình 3.12. Lưu đồ thuật toán INC với biến D cố định 3.3.2 Phát triển thuật toán INC nhằm đạt MPP nhanh Như đã đề cập ở trên, thuật toán INC truyền thống thực hiện theo dõi MPP dựa trên kích thước bước nhảy cố định [6]. Điều này dẫn đến, thuật toán hội tụ chậm và dao động xung quanh MPP mạnh dẫn tới hiệu suất của hệ thống PV thấp. Hoạt động thất bại trong điều kiện khí quyển thay đổi nhanh chóng và chúng có thể bị lạc và theo dõi MPP sai hướng trong điều kiện khí quyển thay đổi nhanh chóng. Việc đạt MPP nhanh có thể đạt được với kích thước bước nhảy lớn hơn nhưng dẫn đến dao động quá mức lúc hệ thống đạt trạng thái ổn định là không thể tránh khỏi, kích thước bước nhảy nhỏ hơn có 53 thể làm giảm dao động tại MPP nhưng tốc độ hội tụ chậm hơn. Giải quyết những tình huống khó xử này, nhiều nghiên cứu đã đưa công thức bước nhảy biến đổi và đã được công bố trên các tạp chí nổi tiếng [41-47]. Trong đó, việc đề xuất phát triển thuật toán INC truyền thống thành thuật toán INC thay đổi kích thước bước nhảy tự động theo các đặc tính mảng PV. Tùy thuộc vào từng điều kiện hoạt động, kích thước bước nhảy nên có sự cân bằng thỏa đáng giữa tốc độ đạt MPP và dao động quanh MPP. Do đó, theo nguyên tắc cơ bản của MPPT tác giả đề xuất một bước nhảy thay đổi mới của thuật toán INC nhằm mục đích giúp hệ thống đạt được MPP nhanh chóng. Phương pháp xác định kích thước bước nhảy tự điều chỉnh sẽ được xác định như sau: Từ đường đặc tính P – V ở hình 3.6 có thể thấy lượng thay đổi dP/dV có liên hệ với kích thước bước của thuật toán INC. Giá trị D của bộ biến đổi DC/DC của chu kỳ này sẽ được tăng hoặc giảm một lượng dP/dV của chu kỳ đó. Điều này được thể hiện như công thức sau: 𝐷(𝑘) = 𝐷(𝑘 − 1) ± 𝑁 ∗ | 𝑑𝑃 𝑑𝑉 − 𝑑𝐼 | (3.18) Trong đó: N là tham số, tham số này sẽ quyết định kích thước bước trong thuật toán INC. Từ công thức ta thấy khoảng cách bước nhảy DD không cố định mà thay đổi: DD = N*(dP/(dV – dI)) Với N là một hệ số điều chỉnh, nếu ta chọn N là một hằng số cố định khi đó DD chỉ phụ thuộc vào dP/(dV–dI). Đồ thị mối quan hệ giữa P-V và dP/(dV–dI) –V ; I-V và dP/(dV–dI) –V như sau: Hình 3.13. Đặc tuyến P-V và dP/(dV–dI) –V 54 Hình 3.14. Đặc tuyến I-V và dP/(dV–dI) –V Từ đồ thị ta thấy kích thước bước nhảy DD thay đổi lớn ở phía xa bên phải và bên trái điểm công suất cực đại, càng về gần phía điểm công suất cực đại bước nhảy càng nhỏ dần và tại điểm công suất cực đại bước nhảy bằng 0. Ta có thể viết lại công thức (3.18) trên như sau: 𝐷(𝑘) = 𝐷(𝑘 − 1) ± 𝑁 ∗ | 𝑃(𝑘) − 𝑃(𝑘 − 1) (𝑉(𝑘) − 𝑉(𝑘 − 1)) − (𝐼(𝑘) − 𝐼(𝑘 − 1)) | (3.19) Khi hệ thống trong quá trình khởi động thì điểm làm việc còn cách xa với MPP, nên kích thước bước nhảy lúc này cần phải lớn để tăng tốc độ đạt MPP của hệ PV. Bởi vậy, tại thời điểm ban đầu, thuật toán có thể sử dụng kích thước bước step = ∆𝐷𝑚𝑎𝑥. Khi hệ thống đã gần đến MPP, kích thước bước phải điều chỉnh nhỏ đi để giảm sự dao động của hệ thống quanh MPP. Và để đảm bảo tính hồi quy của hệ thống, kích thước bước phải được giới hạn như công thức (3.20) sau: 𝑁 ∗ | 𝑃(𝑘) − 𝑃(𝑘 − 1) (𝑉(𝑘) − 𝑉(𝑘 − 1)) − (𝐼(𝑘) − 𝐼(𝑘 − 1)) | 𝑠𝑡𝑒𝑝=∆𝐷𝑚𝑎𝑥 < ∆𝐷𝑚𝑎𝑥 (3.20) Trong đó: | 𝑃(𝑘)−𝑃(𝑘−1) (𝑉(𝑘)−𝑉(𝑘−1))−(𝐼(𝑘)−𝐼(𝑘−1)) | 𝑠𝑡𝑒𝑝=∆𝐷𝑚𝑎𝑥 là giá trị được xác định tại thời điểm khởi động của phương pháp INC với kích thước bước nhảy cố định. Từ công thức (3.20) ta có thể xác định được tham số N theo công thức (3.21) sau: 𝑁 < ∆𝐷𝑚𝑎𝑥: | 𝑃(𝑘) − 𝑃(𝑘 − 1) 𝑉(𝑘) − 𝑉(𝑘 − 1) − (𝐼(𝑘) − 𝐼(𝑘 − 1)) | 𝑠𝑡𝑒𝑝=∆𝐷𝑚𝑎𝑥 (3.21) 55 Xác định được tham số N đó chính là bước then chốt trong việc phát triển phương pháp INC với kích thước bước tự điều chỉnh. Tại thời điểm khởi động, tham số N càng lớn thì hệ thống càng nhanh đạt đến trạng thái MPP. Khi gần đến điểm MPP thì hệ thống sẽ tự động điều chỉnh N để kích thước bước nhỏ đi nhằm giảm độ dao động của hệ thống quanh MPP, qua đó nâng cao chất lượng của thuật toán MPPT. Đây chính là ưu điểm của sự phát triển trong phương pháp INC với kích thước bước nhảy tự điều chỉnh này. Sơ đồ lưu đồ của thuật toán MPPT INC có bước thay đổi được trình bày trong hình 3.15. Thuật toán phát triển này chỉ làm thay đổi trong phần mềm của hệ thống MPPT bằng việc xác định thêm điều kiện ràng buộc bước nhảy trong vòng lặp mà không phát sinh thêm bất kỳ một kết cấu phần cứng nào. Ưu điểm của thuật toán là đơn giản, dễ thực hiện. Mục tiêu của việc áp dụng bước nhảy thay đổi này là để tăng tốc độ hội tụ của thuật toán khi có sự thay đổi bức xạ của mặt trời. Khi ấy, điểm vận hành sẽ được thay đổi nhanh chóng bằng một giá trị D đủ lớn. Mặc dù, đề xuất này có ưu điểm đáng kể như nêu trên nhưng vẫn tồn tại nhược điểm là dao động quanh MPP lớn. Nhược điểm này sẽ được giải quyết trong phần tiếp theo của luận án. Dựa trên lưu đồ hình 3.15 trên thuật toán INC có bước nhảy tự điều chỉnh bao gồm các bước cơ bản như sau: Bước 1: Khởi tạo giá trị các tham số đầu vào ban đầu, đo giá trị dòng điện Ipv , điện áp Vpv từ pin mặt trời. Bước 2: Tính giá trị công suất Ppv và các độ biến thiên công suất dP, độ biến thiên điện áp dV và độ biến thiên dòng điện dI, kích thước bước nhảy thay đổi step = N*abs(dP/(dV-dI)). Bước 3: Vòng lặp INC so sánh các giá trị dV, dI, dV/dI. Bước 4: Xác định giá trị độ rộng xung D cho khóa công suất ở bước tiếp theo và quay trở lại bước 1. 56 Start Read V(k), I(k) dV = V(k) - V(k-1); dI = I(k) - I(k-1) dP = V(k)*I(k) - V(k-1)*I(k-1) DD(k) = N*abs(dP/(dV-dI)) dV = 0 YesNo dI = 0 Yes D(k) = D(k-1)D(k) = D(k-1) Yes No dI > 0 Yes D(k) = D(k-1) + DD(k) D(k) = D(k-1) - DD(k) No V(k-1) = V(k); I(k-1) = I(k) Return No D(k) = D(k-1) - DD(k) D(k) = D(k-1) + DD(k) No Yes dI/dV = - I/V dI/dV > - I/V Hình 3.15. Lưu đồ thuật toán INC với kích thước bước nhảy thay đổi nhằm mục đích hội tụ nhanh 3.3.3 Phát triển thuật toán INC nhằm giảm dao động quanh MPP Khi hệ thống ở trạng thái xác lập, các giá trị biến thiên công suất không lớn, thì một giá trị bước nhảy càng nhỏ sẽ càng giảm độ dao động, giảm tổn thất công suất cho hệ thống. Trong thuật toán đề xuất này, đề tài cũng áp dụng một giá trị bước nhảy có độ lớn giảm dần về giá trị 0, để giảm độ dao động của công suất khi đạt MPP. |𝑑𝑃| ∆𝐷(𝑘) = ∆𝐷(𝑘 − 1) 𝛼 (3.22) 57 Với điều kiện như biểu thức (3.22), bước nhảy tiếp theo sẽ được xác định dựa vào độ biến đổi của bước nhảy phía trước, và nếu công suất thay đổi nhỏ, thì giá trị bước nhảy sẽ giảm dần với một hệ số chia α, và giá trị α này thường được chọn là 2. Start Read V(k), I(k) dV = V(k) - V(k-1); dI = I(k) - I(k-1) dP = V(k)*I(k) - V(k-1)*I(k-1) dV = 0 YesNo dI = 0 Yes D(k) = D(k-1)D(k) = D(k-1) Yes No dI > 0 Yes D(k) = D(k-1) + D D(k) D(k) = D(k-1) - D D(k) No V(k-1) = V(k); I(k-1) = I(k) Return No D(k) = D(k-1) - D D(k) D(k) = D(k-1) + D D(k) No Yes dI/dV = - I/V dI/dV > - I/V dP Yes No D D(k) = D D(k-1)/2 Yes D D(k) = N*abs(dP/(dV-dI)) Hình 3.16. Lưu đồ thuật toán INC với kích thước bước nhảy thay đổi nhằm mục đích giảm dao động tại MPP Mục tiêu của thuật toán INC phát triển này là cải thiện tốc độ đạt MPP và giảm dao động khi đã đạt được MPP. Như thuật toán MPPT INC truyền thống, thuật toán đề 58 xuất sử dụng 2 cảm biến đo lường dòng điện và điện áp ở đầu ra pin mặt trời và xuất xung PWM điều khiển khóa công suất trong mạch Boost. Phương pháp kết hợp có sơ đồ như hình 3.16 . Dựa trên lưu đồ hình 3.16 trên thuật toán INC có bước nhảy tự điều chỉnh bao gồm các bước cơ bản như sau: Bước 1- Khởi tạo và đo lường: thuật toán khởi tạo các giá trị tham số ban đầu, đọc giá trị dòng điện và điện áp pin mặt trời, sau đó tính công suất. Các giá trị biến thiên dòng điện, điện áp và công suất cũng được xác định trong bước này, sau khi tính các giá trị tại thời điểm k, các biến sẽ được lưu giá trị để tính cho vòng lặp sau. { 𝑃𝑘 = 𝐼𝑘 ∗ 𝑉𝑘 𝑑𝑃 = 𝑃𝑘 − 𝑃𝑘−1 𝑑𝐼 = 𝐼𝑘 − 𝐼𝑘−1 𝑑𝑉 = 𝑉𝑘 − 𝑉𝑘−1 (3.23) Bước 2 - Xác định bước nhảy: ở bước này, đề tài xác định độ biến thiên công suất so với một giá trị ngưỡng ɛ như điều kiện (3.24): |𝑑𝑃| ∆𝐷(𝑘) = ∆𝐷(𝑘 − 1) 2 (3.24) Điều kiện này xác định trạng thái ổn định, bởi vì độ biến thiên công suất nằm trong ngưỡng dao động khi đã tìm được công suất cực đại. Nếu với thuật toán INC truyền thống thì công suất sẽ dao động quanh MPP, bởi vì độ rộng xung PWM lúc này đang vận hành ở 3 mức như đã trình bày trong các phần trước. Tuy nhiên, nếu sử dụng điều kiện ràng buộc (3.24), giá trị ΔD sẽ giảm dần với hệ số dương α, tác giả chọn α=2 để chia nhỏ khoản biến thiên độ rộng xung dần về 0. Nếu giá trị độ lớn của dP lớn hơn giá trị ngưỡng ε, thì hệ thống chưa đạt MPP hoặc đang có sự thay đổi điều kiện bức xạ. Tác giả sử dụng công thức thay đổi bước nhảy theo giá trị độ dốc của đường cong P-V với một hệ số nhân N dương như (3.22) |𝑑𝑃| > 𝜀 =≥ ∆𝐷(𝑘) = 𝑁 ∗ | 𝑑𝑃 𝑑𝑉 − 𝑑𝐼 | (3.25) Bước 3 - Xác định MPP: sau khi xác định được giá trị bước nhảy cần thiết, thuật toán thực hiện kiểm tra giá trị biến thiên của công suất và điện áp để xác định chiều của bước nhiễu loạn tiếp theo. 59 Bước 4: Xác định giá trị độ rộng xung D cho khóa công suất ở bước tiếp theo và quay trở lại bước 1. Qua các đề xuất phát triển thuật toán INC truyền thống như trên thì ta có được tốc độ đạt MPP của thuật toán INC nhanh hơn, khi đã đạt được MPP thì giảm được dao động quanh MPP so với INC truyền thống. Kết quả này nhằm mục đích giảm tổn thất cho hệ thống PV, góp phần nâng cao hiệu suất cho toàn hệ thống. Kết quả mô phỏng để kiểm chứng các đề xuất phát triển sẽ được tác giả trình bày trong phần tiếp theo. 3.4 Nghiên cứu phát triển thuật toán tối ưu bầy đàn trong điều khiển bám điểm công suất cực đại Trong mục này tác giả nghiên cứu thuật toán tối ưu bầy đàn (PSO) một thuật toán tối ưu hiện đại áp dụng để tìm điểm công suất cực đại cho hệ thống năng lượng điện mặt trời nhằm cải thiện những nhược điểm của các thuật toán cổ điển. Đồng thời tác giả cũng đề xuất áp dụng các phát triển mới của thuật toán PSO vào bộ MPPT của hệ thống điện mặt trời nhằm tăng tốc độ đạt trạng thái tối ưu, tránh hiện tượng tối ưu cục bộ trong việc tìm điểm công suất cực đại. 3.4.1 Thuật toán tối ưu bầy đàn (PSO) 3.4.1.1 Giới thiệu PSO PSO (Particle Swarm Optimization) là một trong những kỹ thuật tính toán tiến hóa được đề xuất bởi Eberhart và Kennedy vào năm 1995 [48,49]. Nó được phỏng theo hành vi xã hội bởi các loài khác nhau để đáp ứng nhu cầu của chúng trong một không gian tìm kiếm đa chiều. Ý tưởng về PSO bắt đầu từ cuộc sống nhân tạo và tâm lý xã hội, và nó được phát triển trong kỹ thuật và khoa học máy tính. Nó bao gồm nhiều cá thể bay qua một không gian đa chiều với vận tốc được xác định trước. Trong mỗi thế hệ, vận tốc của mỗi cá thể được điều chỉnh ngẫu nhiên theo vị trí trước đó tốt nhất của chính cá thể đó và vị trí tốt nhất của các cá thể vùng lân cận. Cần lưu ý rằng hai vị trí tốt nhất này của mỗi cá thể tìm được dựa vào một hàm mục tiêu được xác định trước [50,51]. Chuyển động của mỗi cá thể cho phép phát triển một giải pháp tối ưu hoặc gần tối ưu. Chuyển động của mỗi cá thể không đều đặn trong không gian tìm kiếm, nên được gọi là “chuyển động bầy đàn”. 60 PSO là một kỹ thuật tiến hóa dựa trên quần thể không phụ thuộc vào quy mô và tính phi tuyến của hệ thống. Hơn nữa, PSO có khả năng hội tụ đến giải pháp tối ưu trong nhiều trường hợp, trong khi các phương pháp phân tích tối ưu khác không thể hội tụ. Do đó, PSO được sử dụng hiệu quả để giải quyết các vấn đề tối ưu hóa khác nhau trong nhiều nghiên cứu gần đây. Có một số ưu điểm chính của PSO so với các phương pháp tối ưu hóa hiện có như sau [52]: 1. Thuật toán PSO rất dễ thực hiện, trong đó chỉ một số ít tham số cần được điều chỉnh. 2. Khả năng bộ nhớ của PSO hiệu quả hơn so với các thuật toán tối ưu hóa khác, bởi vì mỗi cá thể không chỉ nhớ vị trí lịch sử tốt nhất của nó, mà còn dựa trên vị trí của các cá thể vùng lân cận tốt nhất. 3. Sự đa dạng của bầy đàn được duy trì tốt hơn bằng cách sử dụng thuật toán PSO [53], vì mỗi cá thể tự cải thiện bằng cách sử dụng thông tin liên quan đến cá thể tốt nhất, trong khi các phương pháp tối ưu hóa khác chỉ lưu giải pháp tốt và loại bỏ những cá thể xấu hơn và do đó sự tiến hóa của quần thể chỉ xảy ra xung quanh một tập hợp con của các cá thể tốt nhất. Sau đây sẽ giới thiệu về thuật toán tối ưu hóa bầy đàn. Sau khi trình bày các thông tin cơ bản, khái niệm về PSO và công thức toán học của nó được mô tả. Tiếp theo, các thuật toán PSO cho các vấn đề tối ưu hóa nhị phân liên tục được trình bày. Hơn nữa, một phát triển mới của PSO tên là thuật toán tối ưu bầy đàn vi phân, được phát triển trong phần sau. Thuật toán cải tiến này có thể giúp cá thể thoát ra khỏi vùng tối ưu cục bộ, nâng cao hiệu quả của việc giải quyết các bài toán tối ưu hóa. 3.4.1.2 Tóm tắt lịch sử phát triển của PSO PSO được đề xuất lần đầu tiên vào năm 1995 bởi Kennedy và Eberhart [48,49]. Khái niệm chi tiết về PSO đã được đề cập trong cuốn sách Swarm Intelligence [51]. PSO được phỏng theo hành vi xã hội của nhiều loài khác nhau (ví dụ: đàn chim, đàn cá hoặc xã hội loài người) để đáp ứng nhu cầu tìm kiếm thức ăn của chúng trong không gian đa chiều. Sự di chuyển đồng bộ của những con chim bên trong một bầy hoặc một động vật trong đàn của chúng được nghiên cứu vào những năm 1980 [54,55]. Sự di chuyển thực tế của bầy chim, đàn cá hoặc đàn động vật trên cạn được phân tích bởi các 61 nhà khoa học máy tính, trong khi đó các nhà động vật học chuyên nghiên cứu về động lực học của chúng. Vào năm 1987, sự di chuyển của các loài chim được mô phỏng dựa trên một bộ quy tắc đơn giản cho mỗi cá thể. Reynold cho rằng thuật toán này rơi vào tối ưu cục bộ và vì vậy nhận thức của từng con chim bị hạn chế trong khu vực địa phương của nó. Khi Reynold mô phỏng sự di chuyển của một con chim, anh ta quan tâm đến mô hình, hình dạng hình học, định hướng, vị trí và vận tốc của nó. Vận tốc được xác định bởi tốc độ và hướng trong quá trình chuyển động của nó. Một số quy tắc được áp dụng cho từng con chim như sau: - Tránh va chạm: Mỗi cá thể cần tránh va chạm với những cá thể khác; - Hòa hợp về vận tốc: Tốc độ và hướng của các thành viên trong đàn phải giống nhau; - Định tâm đàn: Những con chim được mô phỏng phải được ở cùng nhau, vì vậy chúng cần di chuyển đến trung tâm của các cá thể gần đó. Tóm lại, hành vi giống như bầy đàn được mô phỏng dựa trên cơ sở của các quy tắc này và thỏa mãn một số điều kiện giới hạn bổ sung, chẳng hạn như vận tốc và gia tốc tối đa trên mỗi cá thể. Ngoài ra, các cá thể đã tương tác với nhau trong quá trình di chuyển của chúng; kết quả là các mô hình chuyển động phức tạp đã được hình thành. Điều này giống với thực tế chuyển động của bầy chim, đàn cá và đàn động vật trên cạn. Sau Reynold, Reeves đã mở rộng khái niệm hệ thống bầy đàn này cho các vật thể mờ như lửa, khói, mây hoặc nước [56]. Tuy nhiên, chúng ta không thể mô tả các đối tượng này bằng cách sử dụng các phép biến đổi Affine đơn giản thường có trong đồ họa máy tính. Do đó, Reeves đã sử dụng hàng triệu cá thể để mô phỏng các hệ thống như vậy. Mỗi cá thể có hành vi riêng của nó như vị trí, vận tốc, màu sắc, độ trong suốt và tuổi thọ. Một cá thể là một điểm trong ba chiều. Theo Reeves, vận tốc của mỗi cá thể được xác định dựa trên các đặc tính của hệ thống, sau đó được thêm vào vị trí của nó. Đây là nền tảng để xây dựng cấu trúc của PSO sau này. Tương tự, Heppner và Grenander lại thể hiện chuyển động đồng bộ của các loài chim bằng cách hiển thị một bộ quy tắc cho mỗi con chim [57]. Trong nghiên cứu của 62 họ, có một tổ để thu hút những con chim. Sau đó, mô hình này đã được mở rộng bởi Kennedy và Eberhart [48]. Những con chim được mô phỏng trong mô hình có khả năng đánh giá khoảng cách đến cái tổ. Khoảng cách này được gọi là trường vector. Trong quá trình di chuyển, mỗi con chim cố gắng giảm thiểu khoảng cách này thông qua va chạm với các cá thể khác trong đàn. Quá trình này chỉ được dừng lại khi trường véc tơ đáp ứng được một giá trị cho trước. Ban đầu, Kennedy và Eberhart đã cố gắng mô phỏng các quá trình tương tác cá thể dựa trên hành vi xã hội của con người [48]. Nó có nghĩa là sự tương tác của các loài chim được phỏng theo các mô hình tâm lý xã hội về hành vi của con người. Chúng ta cần lưu ý rằng hành vi của con người bao gồm niềm tin, suy nghĩ và thái độ, là những điểm trong một không gian nhận thức đa chiều. Những người sống trong cùng một môi trường, họ sẽ có những chuẩn mực và văn hóa tương tự nhau. Do đó, để mô phỏng theo hành vi của con người, trong quá trình di chuyển trong không gian ba chiều, các cá thể sẽ cố gắng để tránh va chạm. Nền tảng của PSO dựa trên mô hình này, trong đó mỗi cá thể chứa ba đặc điểm chính [51], bao gồm khả năng tự đánh giá môi trường, tức là nó có thể tự so sánh với các cá thể gần đó và nó sẽ bắt chước các thành viên khác tốt hơn. Bằng cách sử dụng các nguyên tắc này, các cá thể được mô phỏng có khả năng học hỏi từ những người khác để tự tối ưu hóa đến một mức độ nhất định. 3.4.1.3 Khái niệm và công thức PSO a. Khái niệm cơ bản Nguyên tắc của PSO là dựa trên cơ sở khoa học xã hội và khoa học máy tính. Ngoài ra, PSO sử dụng trí thông minh bầy đàn, để đáp ứng nhu cầu tìm kiếm thức ăn của chúng trong không gian đa chiều. Để làm được điều này, cá thể có các hành vi tập thể được tương tác cục bộ với môi trường của chúng để tạo ra các hàm tối ưu toàn cục. Do đó, nền tảng của PSO có thể được thể hiện như sau:  Khái niệm xã hội [51] Có thể thấy rõ rằng trí thông minh của con người có kết quả từ sự tương tác xã hội. Sự tương tác xã hội bao gồm đánh giá, so sánh, bắt chước người khác và nghiên cứu từ kinh nghiệm. Dựa trên sự tương tác xã hội, con người có khả năng thích nghi với môi trường và xác định niềm tin, thái độ, hành vi và các thuộc tính khác trên các cá nhân trong tập thể để cải thiện bản thân. 63 Hơn nữa, có thể nhận thấy rằng văn hóa và nhận thức của con người là những thứ không thể tách rời trong xã hội loài người, trong đó văn hóa tối ưu hóa nhận thức. Mặc dù tất cả các tương tác xã hội là cục bộ, những hiểu biết và đổi mới được chuyển giao từ cá nhân này đến các cá nhân khác bởi văn hóa; hơn nữa, sự kết hợp của nhiều kết quả tối ưu hóa khác nhau thậm chí còn được cải thiện hơn. Hiệu ứng toàn cầu này phần lớn là minh bạch đối với các tác nhân trong hệ thống, những người được hưởng lợi từ nó.  Nguyên tắc “thông minh bầy đàn” [48-51, 57] Mark Millonas (1994) đã đề xuất các nguyên tắc cơ bản của trí thông minh bầy đàn như sau: - Nguyên tắc xấp xỉ - Nguyên tắc chất lượng - Nguyên tắc đáp ứng đa dạng - Nguyên tắc ổn định - Nguyên tắc thích nghi  Đặc tính tính toán [51] Thuật toán bầy đàn được biết đến như là một phương pháp tính toán thông minh (điện toán mềm) hữu ích. Thuật toán thông minh tính toán và điện toán mềm đều là sự kết hợp của các thuật toán như thuật toán tiến hóa, logic mờ, mạng nơ ron và thông minh nhân tạo. Điện toán mềm bao gồm các phần mềm tham số hóa của các phần tử như AND, OR và NOT. Trên thực tế, trí thông minh bầy đàn cung cấp một mô hình hữu ích để thực hiện các hệ thống thích nghi. Theo nghĩa này, nó là một phần mở rộng của thuật toán tiến hóa. Cá